系列文章| R语言分布滞后线性和非线性模型DLM和DLNM建模应用

有时特定暴露事件的影响并不局限于观察到的那段时间,而是在时间上有所滞后。这就带来了一个问题,即对暴露事件与未来一系列结果之间的关系进行建模,指定事件发生后不同时间的影响分布(定义的滞后期)。最终,这一步需要定义暴露-反应关系的额外滞后维度,描述影响的时间结构点击文末“阅读原文”获取完整代码数据

在评估环境应激源的短期影响时,这种情况经常发生:一些时间序列研究报告称,暴露在高水平的空气污染或极端温度下,会在发生后的几天内影响健康。此外,当一个应激源主要影响一批脆弱的个体时,就会出现这样的现象,这些个体的事件只因暴露的影响而提前了短暂的时间。

在已经提出的处理之后效应的各种方法中,分布式滞后模型(DLM)发挥了主要作用,最近在空气污染和温度研究中被用来量化健康效应。这种方法的主要优点是,它允许模型包含暴露-反应关系的时间过程的详细表述,这反过来又提供了对存在滞后贡献或收获的总体效应的估计。

相关视频

R语言分布滞后非线性模型(DLNM)空气污染研究温度对死亡率影响建模应用

环境应激源往往表现出时间上的滞后效应,这就要求使用足够灵活的统计模型来描述暴露-反应关系的时间维度。在此,我们开发了分布式滞后非线性模型(DLNM),这是一个可以同时代表非线性暴露-反应依赖性和滞后效应的建模框架。这种方法是基于 "交叉基准 "的定义,这是一个双维的函数空间,它同时描述了沿预测空间和其发生的滞后维度的关系形状。


点击标题查阅内容

1b01a8205a23101ea882fb9cd655f29b.jpeg

R语言分布滞后非线性模型(DLNM)空气污染研究温度对死亡率影响建模应用

outside_default.png

左右滑动查看更多

outside_default.png

01

0a834c4ea70c64e8a4453bfb24d781ce.png

02

7452972a83f526e5b1268b8db6d22758.png

03

7927ea505e63faaaff3f0b5d7a1a8397.png

04

e5851c72ae50a58eac7e4bb0129bc0c9.png

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值